CN111311606B - 连续相位图获取方法、装置、计算机设备和可读存储介质 - Google Patents

连续相位图获取方法、装置、计算机设备和可读存储介质 Download PDF

Info

Publication number
CN111311606B
CN111311606B CN202010064734.1A CN202010064734A CN111311606B CN 111311606 B CN111311606 B CN 111311606B CN 202010064734 A CN202010064734 A CN 202010064734A CN 111311606 B CN111311606 B CN 111311606B
Authority
CN
China
Prior art keywords
resolution
low
image
sampling
map
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010064734.1A
Other languages
English (en)
Other versions
CN111311606A (zh
Inventor
宋万忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202010064734.1A priority Critical patent/CN111311606B/zh
Publication of CN111311606A publication Critical patent/CN111311606A/zh
Application granted granted Critical
Publication of CN111311606B publication Critical patent/CN111311606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例提供了一种连续相位图获取方法、装置、计算机设备和可读存储介质，涉及图像处理技术领域，该方法包括：获取高分辨率图像；根据预设分辨率对高分辨率图像进行多尺度位移下采样，得到多个低分辨率待处理图像；对每个低分辨率待处理图像均进行相位展开，得到每个低分辨率待处理图像对应的低分辨率目标图像；对每个低分辨率目标图像均进行位移上采样，得到多个高分辨率局部图，将多个高分辨率局部图进行组合，得到高分辨率区域分割图；对高分辨率图像和高分辨率区域分割图进行计算，能够便捷地得到高分辨率图像对应的连续相位图。

Description

连续相位图获取方法、装置、计算机设备和可读存储介质
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种连续相位图获取方法、装置、计算机设备和可读存储介质。
背景技术
目前，截断相位图在多个领域被广泛的使用，例如光学测量、合成孔径雷达和磁共振成像等领域。在实际应用中，需要将截断相位图展开，进而得到连续相位图，以供后续操作。在现有技术中，只能对像素较低(几万至十几万)的截断相位图进行相位展开，而不能对高像素的截断相位图进行相位展开，其原因在于用高分辨率截断相位图训练神经网络模型时，需要的显示适配器的显存大小(size)超过能公开购买到的显示适配器的显存容量，这使得想要在实际应用中获取高分辨连续相位图十分的不便。
有鉴于此，如何提供一种便捷地获取高分辨率连续相位图的方案，是本领域技术人员需要解决的。
发明内容
本申请实施例提供了一种连续相位图获取方法、装置、计算机设备和可读存储介质。
本申请的实施例可以这样实现：
第一方面，实施例提供一种连续相位图获取方法，包括：
获取高分辨率图像和所述高分辨率图像的分辨率；
根据预设分辨率和所述分辨率对所述高分辨率图像进行多尺度位移下采样，得到多个低分辨率待处理图像；
将所述多个低分辨率待处理图像输入预先构建的相位展开网络中，对每个所述低分辨率待处理图像均进行相位展开，得到每个所述低分辨率待处理图像对应的低分辨率目标图像；
根据所述预设分辨率和所述分辨率对每个所述低分辨率目标图像均进行位移上采样，得到多个高分辨率局部图，将所述多个高分辨率局部图进行组合，得到高分辨率区域分割图；
对所述高分辨率图像和所述高分辨率区域分割图进行计算，得到所述高分辨率图像对应的连续相位图。
在可选的实施方式中，所述高分辨率图像为高分辨率截断相位图，所述低分辨率待处理图像为低分辨率截断相位图；
所述根据预设分辨率和所述分辨率对所述高分辨率图像进行位移下采样，得到多个低分辨率待处理图像的步骤，包括：
将所述预设分辨率和所述分辨率相除计算得到采样间距；
根据所述采样间距计算得到多个参考点，根据所述多个参考点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图。
在可选的实施方式中，所述采样间距包括行采样间距和列采样间距，所述参考点为采样起始点；
所述根据所述采样间距计算得到多个参考点的步骤，包括：
根据所述行采样间距，得到多个行采样起始点；
根据所述列采样间距，得到多个列采样起始点；
根据所述多个行采样起始点和所述多个列采样起始点得到多个采样起始点。
在可选的实施方式中，所述根据所述多个参考点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图的步骤，包括：
根据所述行采样间距、列采样间距和多个采样起始点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图，其中，一个所述采样起始点对应一个所述低分辨率截断相位图。
在可选的实施方式中，所述低分辨率目标图像为低分辨率分割区域图；预先设置有每个低分辨率截断相位图的标识信息，每个所述低分辨率截断相位图的标识信息与每个所述低分辨率截断相位图对应的采样起始点关联；
所述将所述多个低分辨率待处理图像输入预先构建的相位展开网络中，对每个所述低分辨率待处理图像均进行相位展开，得到每个所述低分辨率待处理图像对应的低分辨率目标图像的步骤，包括：
获取目标低分辨率截断相位图，所述目标低分辨率截断相位图为所述多个低分辨率截断相位图中的任意一个；
将所述目标低分辨率截断相位图输入预先构建的相位展开网络中，进行相位展开，得到所述目标低分辨率截断相位图对应的低分辨率分割区域图，其中，所述低分辨率分割区域图的标识信息和采样起始点与对应的所述目标低分辨率截断相位图的标识信息和采样起始点相同。
在可选的实施方式中，所述根据所述预设分辨率和所述分辨率对每个所述低分辨率目标图像均进行位移上采样，得到多个高分辨率局部图的步骤，包括：
根据所述低分辨率分割区域图的标记信息，获取每个所述低分辨率分割区域图的采样起始点；
根据所述采样间距和所述低分辨率分割区域图的采样起始点，获取所述低分辨率分割区域图中每个像素点的坐标信息，得到所述低分辨率分割区域图对应的高分辨率局部图；
所述将所述多个高分辨率局部图进行组合，得到高分辨率区域分割图的步骤，包括：
将所述多个高分辨率局部图按照每个所述高分辨率局部图对应的低分辨率分割区域图的采样起始点进行排布叠加，得到高分辨率区域分割图。
在可选的实施方式中，所述获取高分辨率图像的步骤，包括：
获取高分辨率截断相位图和截断相位相关高分辨率图；
按照图像通道，对所述高分辨率截断相位图和所述截断相位相关高分辨率图进行叠加，得到高分辨率组合图像，并将所述高分辨率组合图像作为所述高分辨率图像。
第二方面，实施例提供一种连续相位图获取装置，包括：
获取模块，用于获取高分辨率图像和所述高分辨率图像的分辨率；
下采样模块，用于根据预设分辨率和所述分辨率对所述高分辨率图像进行多尺度位移下采样，得到多个低分辨率待处理图像；
展开模块，用于将所述多个低分辨率待处理图像输入预先构建的相位展开网络中，对每个所述低分辨率待处理图像均进行相位展开，得到每个所述低分辨率待处理图像对应的低分辨率目标图像；
上采样模块，用于根据所述预设分辨率和所述分辨率对每个所述低分辨率目标图像均进行位移上采样，得到多个高分辨率局部图，将所述多个高分辨率局部图进行组合，得到高分辨率区域分割图；
计算模块，用于对所述高分辨率图像和所述高分辨率区域分割图进行计算，得到所述高分辨率图像对应的连续相位图。
第三方面，实施例提供一种计算机设备，所述计算机设备包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述计算机设备执行前述实施方式中任意一项所述的连续相位图获取方法。
第四方面，实施例提供一种可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在计算机设备执行前述实施方式中任意一项所述的连续相位图获取方法。
本申请实施例的有益效果包括，例如：
采用本申请实施例提供的连续相位图获取方法、装置、计算机设备和可读存储介质，通过获取高分辨率图像和所述高分辨率图像的分辨率；然后根据预设分辨率和所述分辨率对所述高分辨率图像进行多尺度位移下采样，进而得到多个低分辨率待处理图像；再将所述多个低分辨率待处理图像输入预先构建的相位展开网络中，对每个所述低分辨率待处理图像均进行相位展开，得到每个所述低分辨率待处理图像对应的低分辨率目标图像；并根据所述预设分辨率和所述分辨率对每个所述低分辨率目标图像均进行位移上采样，得到多个高分辨率局部图，巧妙地将所述多个高分辨率局部图进行组合，得到高分辨率区域分割图；最后对所述高分辨率图像和所述高分辨率区域分割图进行计算，能够便捷地得到所述高分辨率图像对应的高分辨率连续相位图。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种连续相位图获取方法的步骤流程示意图；
图2为本申请实施例提供的一种高分辨率截断相位图的示意图；
图3为本申请实施例提供的一种位移下采样的采样示意图；
图4为本申请实施例提供的另一种位移下采样的采样示意图；
图5为本申请实施例提供的另一种位移下采样的采样示意图；
图6为本申请实施例提供的另一种位移下采样的采样示意图；
图7为本申请实施例提供的连续相位图获取装置的结构示意框图；
图8为本申请实施例提供的计算机设备的结构示意框图。
图标：100-计算机设备；110-连续相位图获取装置；1101-获取模块；1102-下采样模块；1103-展开模块；1104-上采样模块；1105-计算模块；111-存储器；112-处理器；113-通信单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
目前，在多个领域中(例如光学测量、核磁共振等)，都会要求截断相位图展开，因为截断相位图经过相位展开(phase unwrapping)方法处理后才能恢复原始相位分布(original phase distribution)。原始相位分布与光学测量、合成孔径雷达或磁共振成像等应用需要获得的某些物理常数直接相关，这些物理常数包括：物体面形数据(objectsurface)、地形高度数据(terrain elevation)、磁场不均匀性(magnetic fieldinhomogeneity)等。在现有技术中，可以把截断相位图的展开作为一个图像分割(segmentation)问题来处理，但只能对低分辨率的截断相位图进行展开，不能对高分辨率截断相位图进行展开，主要原因是用高分辨率截断相位图训练神经网络模型时，需要的显示适配器的显存大小(size)超过能公开购买到的显示适配器的显存容量。基于此，本申请实施例提供一种连续相位图获取方法，如图1所示，该方法包括步骤S201至步骤S205。
步骤S201，获取高分辨率图像和所述高分辨率图像的分辨率。
步骤S202，根据预设分辨率和所述分辨率对所述高分辨率图像进行多尺度位移下采样，得到多个低分辨率待处理图像。
步骤S203,将所述多个低分辨率待处理图像输入预先构建的相位展开网络中，对每个所述低分辨率待处理图像均进行相位展开，得到每个所述低分辨率待处理图像对应的低分辨率目标图像。
步骤S204，根据所述预设分辨率和所述分辨率对每个所述低分辨率目标图像均进行位移上采样，得到多个高分辨率局部图，将所述多个高分辨率局部图进行组合，得到高分辨率区域分割图。
步骤S205，对所述高分辨率图像和所述高分辨率区域分割图进行计算，得到所述高分辨率图像对应的连续相位图。
在本实施例中，低分辨率像素数可以为几万(比如256像素×256像素)至十几万像素(比如400像素×400像素)，高分辨率像素数可以为几十万像素或更多像素数。
在此基础上，所述高分辨率图像可以为高分辨率截断相位图，所述低分辨率待处理图像可以为低分辨率截断相位图。本申请实施例提供一种根据预设分辨率和所述分辨率对所述高分辨率图像进行位移下采样，得到多个低分辨率待处理图像的示例，可以通过以下步骤实现。
将所述预设分辨率和所述分辨率相除计算得到采样间距。
根据所述采样间距计算得到多个参考点，根据所述多个参考点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图。
在本实施例中，高分辨率图像可以为高分辨率截断相位图(请参考图2)，可以获取高分辨率截断相位图的分辨率，预设分辨率可以根据预先构建的相位展开网络能够处理的图像的分辨率进行设置，即预设分辨率为输入预先构建的相位展开网络的图像的分辨率。例如，高分辨率截断相位图的分辨率可以为1024像素×768像素，预设分辨率可以为256像素×192像素，将两者相除，可以对应得到多个参考点，进而根据多个参考点依次对高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图，每个参考点对应了一个低分辨率截断相位图，应当理解的是，在本申请实施例的其他实施方式中，高分辨率截断相位图的分辨率也可以是其他分辨率，例如1600像素×900像素，预设分辨率也可以是其他分辨率，在此并不做限制。值得说明的是，在现有技术中，仅用一幅截断相位图是不能展开不连续的截断相位图，经过上述位移下采样操作，仅将一个高分辨率截断相位图“拆分”成了多个低分辨率截断相位图，便能实现后续的展开相关操作。
在前述基础上，所述采样间距包括行采样间距和列采样间距，所述参考点为采样起始点。本申请实施例提供一种根据所述采样间距计算得到多个参考点的示例，可以通过以下步骤实现。
根据所述行采样间距，得到多个行采样起始点。
根据所述列采样间距，得到多个列采样起始点。
根据所述多个行采样起始点和所述多个列采样起始点得到多个采样起始点。
如前所述，高分辨率截断相位图的分辨率为1024像素×768像素，预设分辨率为256像素×192像素，将二者相除，可以得到行采样间距shift_i＝M1/M2＝1024/256＝4，列采样间距shift_j＝N1/N2＝768/192＝4。便可以获取多个行采样起始点[0,1,…,shift_i-1]和多个列采样起始点[0,1,…,shift_j-1]，即多个行采样起始点[0,1,2,3]和多个列采样起始点[0,1,2,3]。可以根据多个行采样起始点和多个列采样起始点得到多个采样起始点，即(0,0)、(0,1)、(0,2)、(0,3)、(1,0)、(1,2)、(1,3)、(2,0)、(2,1)、(2,2)、(2,3)、(3,0)、(3,1)、(3,2)、(3,3)。
在前述基础上，本申请实施例提供一种根据所述多个参考点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图的示例，可以同通过以下步骤实现。
根据所述行采样间距、列采样间距和多个采样起始点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图，其中，一个所述采样起始点对应一个所述低分辨率截断相位图。
如前所述，获取多个采样起始点后，根据多个采样起始点依次对所述高分辨率截断相位图进行位移下采样，即根据(0,0)、(0,1)、(0,2)、(0,3)、(1,0)、(1,2)、(1,3)、(2,0)、(2,1)、(2,2)、(2,3)、(3,0)、(3,1)、(3,2)、(3,3)依次对高分辨率截断相位图进行位移下采样，共计16次位移下采样。如图3所示，一次位移下采样的采样起始点为(0,0)，行采样间距为4，列采样间距为4。如图4所示，一次位移下采样的采样起始点为(0,3)，行采样间距为4，列采样间距为4。如图5所示，一次位移下采样的采样起始点为(2,1)，行采样间距为4，列采样间距为4。如图6所示，一次位移下采样的采样起始点为(3,3)，行采样间距为4，列采样间距为4。其余采样起始点也按照前述采样规则进行位移下采样，在此不再赘述，可以得到对应的16个低分辨率截断相位图。
在此基础上，所述低分辨率目标图像为低分辨率分割区域图；预先设置有每个低分辨率截断相位图的标识信息，每个所述低分辨率截断相位图的标识信息与每个所述低分辨率截断相位图对应的采样起始点关联。本申请实施例提供一种将所述多个低分辨率待处理图像输入预先构建的相位展开网络中，对每个所述低分辨率待处理图像均进行相位展开，得到每个所述低分辨率待处理图像对应的低分辨率目标图像的示例，可以通过以下步骤实现。
获取目标低分辨率截断相位图，所述目标低分辨率截断相位图为所述多个低分辨率截断相位图中的任意一个。
将所述目标低分辨率截断相位图输入预先构建的相位展开网络中，进行相位展开，得到所述目标低分辨率截断相位图对应的低分辨率分割区域图，其中，所述低分辨率分割区域图的标识信息和采样起始点与对应的所述目标低分辨率截断相位图的标识信息和采样起始点相同。
在将低分辨率截断相位图输入预先构建的相位展开网络之前，可以设置每个低分辨率截断相位图的标识信息，标识信息可以是标记、序号等形式。每个低分辨率截断相位图的标识信息与每个低分辨率截断相位图对应的采样起始点关联。例如，一个低分辨率截断相位图可以设置标识信息“1”，而该低分辨率截断相位图的采样起始点为(0,0)，那么标识信息“1”与采样起始点为(0,0)关联。可以从多个低分辨率截断相位图中的选择任意一个作为目标低分辨率截断相位图，将其输入预先构建的相位展开网络进行相位展开，得到低分辨率分割区域图，该低分辨率分割区域图与目标低分辨率截断相位图的标识信息和采样起始点一致，因此也可以根据低分辨率分割区域图的标识信息，确认该低分辨率分割区域图的采样起始点。通过上诉操作，在低分辨率截断相位图的数量较多的情况下，也能够根据标识信息准确地确定每个低分辨率截断相位图进行相位展开后得到的低分辨率分割区域图对应的采样起始点，以供后续进行位移上采样使用。
在此基础上，本申请实施例提供一种根据所述预设分辨率和所述分辨率对每个所述低分辨率目标图像均进行位移上采样，得到多个高分辨率局部图的示例，可以通过以下步骤实现。
根据所述低分辨率分割区域图的标记信息，获取每个所述低分辨率分割区域图的采样起始点。
根据所述采样间距和所述低分辨率分割区域图的采样起始点，获取所述低分辨率分割区域图中每个像素点的坐标信息，得到所述低分辨率分割区域图对应的高分辨率局部图。
如前所述，可以根据低分辨率分割区域图的标记信息，获知该低分辨率分割区域图的采样起始点，可以根据采样间距和低分辨率分割区域图的采样起始点，获取低分辨率分割区域图中每个像素点的坐标信息。例如，确定的行采样间距shift_i为4，列采样间距shift_j为4，根据低分辨率分割区域图的标记信息，获知该低分辨率分割区域图的采样起始点为(0,0)，该低分辨率分割区域图的像素点可以表示为(i0,j0)，该低分辨率分割区域图经过位移上采样得到的对应的高分辨率局部图的像素点即可以表示为(4×i0,4×j0)。同理，采样起始点为(0,1)的低分辨率分割区域图，其像素点可以表示为(i0,j1)，对应的高分辨率局部图的像素点即可以表示为(4×i0,4×j1)，其余低分辨率分割区域图的位移上采样过程与前述两个低分辨率分割区域图的过程一致，在此不再赘述。为了方便理解，可以将位移上采样与前述的位移下采样理解是互逆的两个过程。
在本申请实施例还提供一种将所述多个高分辨率局部图进行组合，得到高分辨率区域分割图的示例，可以通过以下步骤实现。
将所述多个高分辨率局部图按照每个所述高分辨率局部图对应的低分辨率分割区域图的采样起始点进行排布叠加，得到高分辨率区域分割图。
应当理解的是，各个低分辨率分割区域图对应各自的采样起始点，经过位移上采样得到的各个高分辨率局部图也对应着各自的采样起始点，而各个采样起始点便能够确定各个高分辨率局部图的位置关系，根据各个采样起始点确定的位置关系将每个高分辨率局部图进行叠加，能够获取需求的高分辨率区域分割图。应当理解的是，在获取高分辨率区域分割图后，高分辨率区域分割图的每个像素点(i,j)都有一个整数n(i,j)，而经过上述流程，高分辨率截断相位图与高分辨率区域分割图的像素点是一一对应的，将高分辨率截断相位图与高分辨率区域分割图相同的像素点(i,j)的截断相位值加上n(i,j)×2π后，就能获取连续相位图了。
在本申请实施例中，还提供一种获取高分辨率图像的示例，可以通过以下步骤实现。
获取高分辨率截断相位图和截断相位相关高分辨率图。
按照图像通道，对所述高分辨率截断相位图和所述截断相位相关高分辨率图进行叠加，得到高分辨率组合图像，并将所述高分辨率组合图像作为所述高分辨率图像。
除了前述利用高分辨率截断相位图进行展开获取需求的连续相位图，在本申请实施例的其他实施方式中，还可以采用截断相位相关高分辨率图来获取连续相位图，截断相位相关高分辨率图可以是“与计算截断相位图有关的高分辨率图”，而计算这些图的方式可以采用例如质量图、一阶导数图、二阶导数图、可靠度图和平均图等方式。例如，在采用相移(phase shifting)条纹的结构光三维测量系统中，可以通过公式：
Figure BDA0002375617320000131
计算截断相位图中每个像素点(i,j)的调制度值，并把此调制度值用作像素点(i,j)的可靠度，其中，M(i,j)为像素点(i,j)处的调制度值，N为相移次数，In是第n次相移时采集的条纹图像。
而在相移条纹结构光三维测量系统中，还可用公式：
Figure BDA0002375617320000141
计算截断相位图中每个点像素点(i,j)的一个平均值I(i,j)，并以此平均值生成一幅平均图，其中，N为相移次数，In是第n次相移时采集的条纹图像。
而截断相位相关高分辨率图可以有一个或多个时，可以按照图像通道，对高分辨率截断相位图和截断相位相关高分辨率图进行叠加，得到高分辨率组合图像。应当立即的是，截断相位相关高分辨率图可以由高分辨率截断相位图计算得来，因此二者具有相同的二维矩阵结构(矩阵的行数相等、矩阵的列数相等)，例如，有高分辨率截断相位图A，多个截断相位相关高分辨率图B1、B2、…、Bn，对于同一像素点(i,j)，在高分辨率截断相位图A中值是A(i,j)，在截断相位相关高分辨率图B1中的值是B1(i,j)，在截断相位相关高分辨率图Bn中的值是Bn(i,j)，按照图像通道，将它们进行叠加后，可以输出高分辨率组合图像C，而像素点(i,j)在高分辨率组合图像C中的值便是{A(i,j)，B1(i,j)，B2(i,j)，…，Bn(i,j)}(可以为整数或浮点数)。而在得到高分辨率组合图像后，便可以将其进行位移下采样、输入预先设置的相位展开网络和位移上采样，与前述过程一致，在此不再赘述。通过上述增加截断相位相关高分辨率图参与相位展开得到连续相位图，能够增加获取的连续相位图的可靠性(例如在前述结构光三维测量系统中)。
本申请实施例提供一种连续相位图获取装置110，如图7所示，该装置包括：
获取模块1101，用于获取高分辨率图像和所述高分辨率图像的分辨率。
下采样模块1102，用于根据预设分辨率和所述分辨率对所述高分辨率图像进行多尺度位移下采样，得到多个低分辨率待处理图像。
展开模块1103，用于将所述多个低分辨率待处理图像输入预先构建的相位展开网络中，对每个所述低分辨率待处理图像均进行相位展开，得到每个所述低分辨率待处理图像对应的低分辨率目标图像。
上采样模块1104，用于根据所述预设分辨率和所述分辨率对每个所述低分辨率目标图像均进行位移上采样，得到多个高分辨率局部图，将所述多个高分辨率局部图进行组合，得到高分辨率区域分割图。
计算模块1105，用于对所述高分辨率图像和所述高分辨率区域分割图进行计算，得到所述高分辨率图像对应的连续相位图。
进一步地，所述高分辨率图像为高分辨率截断相位图，所述低分辨率待处理图像为低分辨率截断相位图；所述下采样模块1102具体用于：
将所述预设分辨率和所述分辨率相除计算得到采样间距；根据所述采样间距计算得到多个参考点，根据所述多个参考点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图。
进一步地，所述采样间距包括行采样间距和列采样间距，所述参考点为采样起始点；所述下采样模块1102具体进一步具体用于：
根据所述行采样间距，得到多个行采样起始点；根据所述列采样间距，得到多个列采样起始点；根据所述多个行采样起始点和所述多个列采样起始点得到多个采样起始点。
进一步地，所述下采样模块1102具体进一步具体还用于：
根据所述行采样间距、列采样间距和多个采样起始点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图，其中，一个所述采样起始点对应一个所述低分辨率截断相位图。
进一步地，所述低分辨率目标图像为低分辨率分割区域图；预先设置有每个低分辨率截断相位图的标识信息，每个所述低分辨率截断相位图的标识信息与每个所述低分辨率截断相位图对应的采样起始点关联；所述展开模块1103具体用于：
获取目标低分辨率截断相位图，所述目标低分辨率截断相位图为所述多个低分辨率截断相位图中的任意一个；将所述目标低分辨率截断相位图输入预先构建的相位展开网络中，进行相位展开，得到所述目标低分辨率截断相位图对应的低分辨率分割区域图，其中，所述低分辨率分割区域图的标识信息和采样起始点与对应的所述目标低分辨率截断相位图的标识信息和采样起始点相同。
进一步地，所述上采样模块1104具体用于：
根据所述低分辨率分割区域图的标记信息，获取每个所述低分辨率分割区域图的采样起始点；根据所述采样间距和所述低分辨率分割区域图的采样起始点，获取所述低分辨率分割区域图中每个像素点的坐标信息，得到所述低分辨率分割区域图对应的高分辨率局部图；将所述多个高分辨率局部图按照每个所述高分辨率局部图对应的低分辨率分割区域图的采样起始点进行排布叠加，得到高分辨率区域分割图。
进一步地，所述获取模块1101具体用于：
获取高分辨率截断相位图和截断相位相关高分辨率图；按照图像通道，对所述高分辨率截断相位图和所述截断相位相关高分辨率图进行叠加，得到高分辨率组合图像，并将所述高分辨率组合图像作为所述高分辨率图像。
本申请实施例提供一种计算机设备100，所述计算机设备100包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述计算机设备100执行前述的连续相位图获取方法。如图8所示，图8为本申请实施例提供的计算机设备100的结构框图。所述计算机设备100包括连续相位图获取装置110、存储器111、处理器112及通信单元113。
为实现数据的传输或交互，所述存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。例如，可通过一条或多条通讯总线或信号线实现这些元件相互之间电性连接。所述连续相位图获取装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器111中或固化在所述计算机设备100的操作系统(operating system，OS)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块，例如所述连续相位图获取装置110所包括的软件功能模块及计算机程序等。
本申请实施例提供一种可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在计算机设备执行前述的连续相位图获取方法。
综上所述，采用本申请实施例提供的连续相位图获取方法、装置、计算机设备和可读存储介质，能够对高分辨率截断相位图进行展开，便捷地获取高分辨率的连续相位图。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种连续相位图获取方法，其特征在于，包括：
获取高分辨率图像和所述高分辨率图像的分辨率；
根据预设分辨率和所述分辨率对所述高分辨率图像进行位移下采样，得到多个低分辨率待处理图像；所述高分辨率图像为高分辨率截断相位图，所述低分辨率待处理图像为低分辨率截断相位图；
所述根据预设分辨率和所述分辨率对所述高分辨率图像进行位移下采样，得到多个低分辨率待处理图像的步骤，包括：
将所述预设分辨率和所述分辨率相除计算得到采样间距；
根据所述采样间距计算得到多个参考点，根据所述多个参考点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图；所述采样间距包括行采样间距和列采样间距，所述参考点为采样起始点；
所述根据所述采样间距计算得到多个参考点的步骤，包括：
根据所述行采样间距，得到多个行采样起始点；
根据所述列采样间距，得到多个列采样起始点；
根据所述多个行采样起始点和所述多个列采样起始点得到多个采样起始点；
所述根据所述多个参考点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图的步骤，包括：
根据所述行采样间距、列采样间距和多个采样起始点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图，其中，一个所述采样起始点对应一个所述低分辨率截断相位图；
将所述多个低分辨率待处理图像输入预先构建的相位展开网络中，对每个所述低分辨率待处理图像均进行相位展开，得到每个所述低分辨率待处理图像对应的低分辨率目标图像；
根据所述预设分辨率和所述分辨率对每个所述低分辨率目标图像均进行位移上采样，得到多个高分辨率局部图，将所述多个高分辨率局部图进行组合，得到高分辨率区域分割图；
对所述高分辨率图像和所述高分辨率区域分割图进行计算，得到所述高分辨率图像对应的连续相位图。
2.根据权利要求1所述的方法，其特征在于，所述低分辨率目标图像为低分辨率分割区域图；预先设置有每个低分辨率截断相位图的标识信息，每个所述低分辨率截断相位图的标识信息与每个所述低分辨率截断相位图对应的采样起始点关联；
所述将所述多个低分辨率待处理图像输入预先构建的相位展开网络中，对每个所述低分辨率待处理图像均进行相位展开，得到每个所述低分辨率待处理图像对应的低分辨率目标图像的步骤，包括：
获取目标低分辨率截断相位图，所述目标低分辨率截断相位图为所述多个低分辨率截断相位图中的任意一个；
将所述目标低分辨率截断相位图输入预先构建的相位展开网络中，进行相位展开，得到所述目标低分辨率截断相位图对应的低分辨率分割区域图，其中，所述低分辨率分割区域图的标识信息和采样起始点与对应的所述目标低分辨率截断相位图的标识信息和采样起始点相同。
3.根据权利要求2所述的方法，其特征在于，所述根据所述预设分辨率和所述分辨率对每个所述低分辨率目标图像均进行位移上采样，得到多个高分辨率局部图的步骤，包括：
根据所述低分辨率分割区域图的标记信息，获取每个所述低分辨率分割区域图的采样起始点；
根据所述采样间距和所述低分辨率分割区域图的采样起始点，获取所述低分辨率分割区域图中每个像素点的坐标信息，得到所述低分辨率分割区域图对应的高分辨率局部图；
所述将所述多个高分辨率局部图进行组合，得到高分辨率区域分割图的步骤，包括：
将所述多个高分辨率局部图按照每个所述高分辨率局部图对应的低分辨率分割区域图的采样起始点进行排布叠加，得到高分辨率区域分割图。
4.根据权利要求1所述的方法，其特征在于，所述获取高分辨率图像的步骤，包括：
获取高分辨率截断相位图和截断相位相关高分辨率图；
按照图像通道，对所述高分辨率截断相位图和所述截断相位相关高分辨率图进行叠加，得到高分辨率组合图像，并将所述高分辨率组合图像作为所述高分辨率图像。
5.一种连续相位图获取装置，其特征在于，包括：
获取模块，用于获取高分辨率图像和所述高分辨率图像的分辨率；
下采样模块，用于根据预设分辨率和所述分辨率对所述高分辨率图像进行位移下采样，得到多个低分辨率待处理图像；所述高分辨率图像为高分辨率截断相位图，所述低分辨率待处理图像为低分辨率截断相位图；
所述下采样模块还用于将所述预设分辨率和所述分辨率相除计算得到采样间距；根据所述采样间距计算得到多个参考点，根据所述多个参考点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图；所述采样间距包括行采样间距和列采样间距，所述参考点为采样起始点；
所述下采样模块还用于根据所述行采样间距，得到多个行采样起始点；根据所述列采样间距，得到多个列采样起始点；根据所述多个行采样起始点和所述多个列采样起始点得到多个采样起始点；
所述下采样模块，还用于根据所述行采样间距、列采样间距和多个采样起始点依次对所述高分辨率截断相位图进行位移下采样，得到多个低分辨率截断相位图，其中，一个所述采样起始点对应一个所述低分辨率截断相位图；
展开模块，用于将所述多个低分辨率待处理图像输入预先构建的相位展开网络中，对每个所述低分辨率待处理图像均进行相位展开，得到每个所述低分辨率待处理图像对应的低分辨率目标图像；
上采样模块，用于根据所述预设分辨率和所述分辨率对每个所述低分辨率目标图像均进行位移上采样，得到多个高分辨率局部图，将所述多个高分辨率局部图进行组合，得到高分辨率区域分割图；
计算模块，用于对所述高分辨率图像和所述高分辨率区域分割图进行计算，得到所述高分辨率图像对应的连续相位图。
6.一种计算机设备，其特征在于，所述计算机设备包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述计算机设备执行权利要求1-4中任意一项所述的连续相位图获取方法。
7.一种可读存储介质，其特征在于，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在计算机设备执行权利要求1-4中任意一项所述的连续相位图获取方法。
CN202010064734.1A 2020-01-20 2020-01-20 连续相位图获取方法、装置、计算机设备和可读存储介质 Active CN111311606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010064734.1A CN111311606B (zh) 2020-01-20 2020-01-20 连续相位图获取方法、装置、计算机设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010064734.1A CN111311606B (zh) 2020-01-20 2020-01-20 连续相位图获取方法、装置、计算机设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN111311606A CN111311606A (zh) 2020-06-19
CN111311606B true CN111311606B (zh) 2023-05-05

Family

ID=71150939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010064734.1A Active CN111311606B (zh) 2020-01-20 2020-01-20 连续相位图获取方法、装置、计算机设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN111311606B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399599A (zh) * 2022-01-18 2022-04-26 四川大学 三维成像方法、装置、电子设备及计算机可读存储介质
CN116952954A (zh) * 2023-07-20 2023-10-27 宁波图灵奇点智能科技有限公司 一种基于条纹光的凹凸检测方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101542583A (zh) * 2006-07-10 2009-09-23 赛普瑞斯半导体公司 具有可变寻踪分辨率的光学导航感应器
CN107707831A (zh) * 2017-09-11 2018-02-16 广东欧珀移动通信有限公司 图像处理方法和装置、电子装置和计算机可读存储介质
CN108648222A (zh) * 2018-04-27 2018-10-12 华中科技大学 结构光深度数据空间分辨率的提升方法及装置
CN108765343A (zh) * 2018-05-29 2018-11-06 Oppo（重庆）智能科技有限公司 图像处理的方法、装置、终端及计算机可读存储介质
CN109253708A (zh) * 2018-09-29 2019-01-22 南京理工大学 一种基于深度学习的条纹投影时间相位展开方法
CN110009672A (zh) * 2019-03-29 2019-07-12 香港光云科技有限公司 提升ToF深度图像处理方法、3D图像成像方法及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6595393B2 (ja) * 2016-04-04 2019-10-23 株式会社日立製作所 磁気共鳴イメージング装置、及び、画像処理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101542583A (zh) * 2006-07-10 2009-09-23 赛普瑞斯半导体公司 具有可变寻踪分辨率的光学导航感应器
CN107707831A (zh) * 2017-09-11 2018-02-16 广东欧珀移动通信有限公司 图像处理方法和装置、电子装置和计算机可读存储介质
CN108648222A (zh) * 2018-04-27 2018-10-12 华中科技大学 结构光深度数据空间分辨率的提升方法及装置
CN108765343A (zh) * 2018-05-29 2018-11-06 Oppo（重庆）智能科技有限公司 图像处理的方法、装置、终端及计算机可读存储介质
CN109253708A (zh) * 2018-09-29 2019-01-22 南京理工大学 一种基于深度学习的条纹投影时间相位展开方法
CN110009672A (zh) * 2019-03-29 2019-07-12 香港光云科技有限公司 提升ToF深度图像处理方法、3D图像成像方法及电子设备

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Absolute phase retrieval methods for digital fringe projection profilometry: A review;Song Zhang等;《Optics and Lasers in Engineering》;20181231;第107卷;第28-37页 *
An illustrated comparison of processing methods for MR phase imaging and QSM: combining array coil signals and phase unwrapping;Simon Daniel Robinson等;《NMR in Biomedicine》;20160913;第1-18页 *
基于多图像迭代相位恢复技术的计算成像特性研究;沈成;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115(第（2019）01期);I138-3137 *
基于时间序列高分辨率SAR影像的地表形变监测技术研究;李英会;《中国优秀硕士学位论文全文数据库 基础科学辑》;20130515(第（2013）05期);A008-36 *
基于深度学习的单频条纹结构光相位图处理方法研究;肖昆;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220415(第（2022）04期);I138-1227 *
基于深度神经网络的条纹结构光相位展开方法;肖昆等;《图形图像》;20210425;第96-102页 *
相位测量轮廓术关键技术及应用研究;李勇;《中国博士学位论文全文数据库 基础科学辑》;20070315(第（2007）03期);A005-5 *

Also Published As

Publication number Publication date
CN111311606A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111311606B (zh) 连续相位图获取方法、装置、计算机设备和可读存储介质
US9501852B2 (en) Method and apparatus for image fusion
US20220392201A1 (en) Image feature matching method and related apparatus, device and storage medium
Li et al. Modified phase correlation algorithm for image registration based on pyramid
Oh et al. ETER-net: end to end MR image reconstruction using recurrent neural network
CN107239664B (zh) 一种地表覆盖表面积栅格化计算方法及装置
Gianinetto Automatic Co‐Registration of Satellite Time Series
Kharchenko et al. Correlation-extreme visual navigation of unmanned aircraft systems based on speed-up robust features
CN112150522A (zh) 遥感图像的配准方法、装置、设备、存储介质及系统
CN114757822B (zh) 一种基于双目的人体三维关键点检测方法及系统
Li et al. Subpixel image registration algorithm based on pyramid phase correlation and upsampling
De Luccia et al. Image navigation and registration performance assessment tool set for the GOES-R Advanced Baseline Imager and Geostationary Lightning Mapper
CN115565034A (zh) 基于双流增强网络的红外小目标检测方法
CN110148205B (zh) 一种基于众包影像的三维重建的方法和装置
Flores De Jesus et al. Resolution enhancement method used for force sensing resistor array
CN113077389B (zh) 一种基于信息蒸馏结构的红外热成像方法
CN114399599A (zh) 三维成像方法、装置、电子设备及计算机可读存储介质
Yin et al. Cloud detection in Landsat-8 imagery in Google Earth Engine based on a deep neural network
CN111414909A (zh) 一种目标检测方法和装置
Jiang et al. SIFT implementation based on GPU
Gupta et al. A GPU based image matching approach for DEM generation using stereo imagery
CN112200845A (zh) 一种图像配准方法和装置
CN114549650A (zh) 相机标定方法、装置、电子设备及可读存储介质
Syed et al. Encoding of topological information in multi-scale remotely sensed data: applications to segmentation and object-based image analysis
CN113592716B (zh) 光场图像空间域超分辨率方法、系统、终端及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant